當人們談到「物理 AI」（Physical AI），最容易浮現的畫面是一台人形機器人走進工廠搬運零件、在倉庫揀貨。但是，如果把物理 AI 的商業化，全押在人形機器人何時能大規模落地，可能看窄了這波技術的機會。
曾在 Google 參與近十年硬體、軟體與 AI 產品開發，目前擔任實體人工智慧新創 Archetype AI 共同創辦人暨營運長的 Brandon Barbello 認為，物理 AI 更大的價值，不只是替 AI 打造新「身體」，而是替現實世界已存在的設備裝上能理解環境、做出判斷的「大腦」。
工廠輸送帶、風力發電機、冷卻系統、車隊，甚至一棟辦公大樓，都可以成為物理 AI 的載體，且相較於等待新機器人大規模進入市場，這條路可能來得更快。
物理 AI 的想像被人形機器人窄化了？
物理世界與軟體世界最大差別之一在於更新速度。軟體可一夜之間推送到數億支手機，但發電廠、工廠生產線不可能同速更新，新硬體須經製造、測試、認證、安裝，這也是機器人發展始終不像純軟體那樣指數型成長的原因。
工業機器人歷史可追溯到 1961 年，通用汽車紐澤西州工廠部署了第一台工業機器人 Unimate，把工人從重複危險工作中解放。超過六十年過去，完全無人介入的「熄燈工廠」依然不普遍，這也說明硬體進入物理世界，本來就是必須一台一台導入的漫長過程。
因此，若企業把物理 AI 起點設定為「買進新機器人」，很容易忽略：已存在的設備真的被充分利用了嗎？答案往往是否定的。這些設備不缺資料，缺的是理解資料的能力。
資料早已存在，只是沒被轉譯成可被理解的資訊
一輛自駕車每天產生約 25GB 資料，飛機引擎每小時可能產生約 20TB，工業現場也是如此；溫度、震動等訊號無時無刻在留下，問題在於這些資料大多沒真正進入決策系統，因為許多設備仍按多年前設定的規則運作，缺少能理解現場變化的智慧層。
資料中心就是典型案例。Google DeepMind 曾讓機器學習模型直接參與資料中心冷卻控制，在不更換整套基礎設施下，將冷卻能耗降低約 40%，做的不是加機器人，而是讓既有設備開始根據資料動態反應。
同樣的事也可能發生在風機、泵浦上。Barbello 舉例，一家風電業者曾花兩年手工建立異常偵測模型，工程師須逐一研究感測器訊號才能辨識問題。Archetype AI 將自家物理 AI 基礎模型 Newton 接入相同感測資料後，不需重新訓練，就重現了原有偵測能力，並另外找出九種原本沒被辨識的異常模式。
關鍵不是加裝更多感測器，而是通用智慧層
不過，企業容易誤以為要讓設備變聰明，就得安裝更多感測器與 IoT 裝置，但許多工業環境真正的問題恰恰相反——感測器已經很多，資料利用率卻太低。
真正可能改變物理 AI 經濟性的，是更通用的模型層。若每種設備都要重新開發一套 AI，導入成本很難降低；但若模型能像大型語言模型一樣，把不同資料轉譯進同一套理解框架，就像語言模型不需要為讀合約、程式碼分別建三套模型。
物理 AI 真正的突破，是讓同一個模型具備理解不同物理訊號的能力，這正是「基礎模型」概念延伸進物理世界後最重要的意義。這類模型也未必需要把所有工業資料傳上雲端，對涉及商業機密的場域，模型可以直接在現場部署運算。
先問「擁有什麼」，而不是「還要什麼」
不過，人形機器人仍可能是物理 AI 最醒目的載體，只是未必是企業現在最容易取得投資回報的地方。
一座工廠不需要先買下人形機器人，才能開始使用物理 AI。工廠可以先盤點既有設備，比如看看哪些機器已在產生資料、哪些資料只在故障後才被查看、哪些控制系統仍靠固定閾值與日曆。
企業導入物理 AI 的投資順序也該反過來，第一步不一定是添購硬體，而是確認現有硬體產生了哪些資料，能否被轉化成即時判斷。
Archetype AI 的風電案例正說明了這點——兩年手工調校的模型，被通用模型在一次部署中比對甚至超越，代表工業 AI 的價值來源正在從把單一訊號研究得越來越精細，轉向理解不同訊號之間共同透露出的設備狀態。
物理 AI 最先改變的未必是一台長得像人的機器，而可能只是讓一台已經運轉二十年的泵浦，第一次真正理解自己正在發生什麼。
製造業的每一次升級，背後都是值得深入解讀的故事。如果你擅長從技術趨勢中提煉觀點、寫出決策者真正需要的報導，想和我們一起記錄產業轉型，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
＊本文開放合作夥伴轉載，參考資料：《Forbes》、《IEEE》，圖片來源：Unsplash
（責任編輯：鄒家彥）
